崔晓源 翻译
HMM 的第三个应用就是learning，这个算法就不再这里详述了，并不是因为他难于理解，而是它比前两个算法要复杂很多。这个方向在语音处理数据库上有重要的地位。因为它可以帮助我们在状态空间很大，观察序列很长的环境下找到合适HMM模型参数：初始状态、转移概率、混淆矩阵等。
好了，我们终于可以对HMM做一个阶段性的总结了。通过这个系列的自学过程，我相信各位已经和我一样对HMM的概念和应用有了一个初步的了解。这里我们考虑的都是一阶马尔科夫过程。HMM在语音识别和NLP方面都有很深入的应用。
简单说说我学习HMM的初衷，在科研过程中遇到了reranking的问题，候选一直都是别人为我生成的，处于好奇，终于决定自己也研究一下，大家都知道， reranking是需要产生N-best的候选，既然是N-best，那么viterbi算法就只能生成一条最好的路径，其他的该怎么办呢？原来在实际应用过程中，通常是把viterbi decoding与另一种称为stack decoding的算法联合使用（当然A*算法也可以）产生多个候选。前面我们已经对A*算法作了介绍，在今后的日子里，如果我有时间也会把stack decoding向大家介绍。(希望不要等太长时间)
联系客服
